基础模型训练工作台

fm-adapt 双骨干 × 适配策略矩阵（PTB-XL）结果浏览 + 可复现训练命令生成。M1 只做配置与结果，不触发远程执行。

矩阵格数

0.9962

AF 最佳 AUROC

ECG-FM 预训练 · 全参微调

0.9474

MI 最佳 AUROC

ECG-FM 预训练 · Adapter

0.97%

LoRA 可训练参数占比

ECG-FM·AF，追平全参

范围（M1）：数据源为已提交的 ml-training/benchmarks/fm-adapt-matrix-v1.json（从 gitignore 的 analysis/fm-adapt-matrix/runs/*/results.json 蒸馏）。本页浏览 12 格矩阵、一键拼出与训练端同口径的 train_fm_adapt.py 命令（含 --seed 可复现）。 SSH 到 cqa1 远程拉起训练排到 M2——GPU 是临时机、今天不可测，且 deploy/research-cases/ 训练引擎属另一侧分区，不在 M1 触碰。

骨干	策略	AUROC	F1@最优阈	阈值	最优轮	可训练参数	占比	lr
从零训练 scratch	全参微调	0.8914	0.4537	0.30	0	1,632,321	100.00%	0.001
从零训练 scratch	LoRA	0.8430	0.3653	0.15	16	82,433	5.00%	0.001
从零训练 scratch	Adapter本格最优	0.9408	0.6092	0.40	19	132,737	7.81%	0.001
ECG-FM 预训练	全参微调本格最优	0.9962	0.9265	0.40	3	91,474,433	100.00%	0.00005
ECG-FM 预训练	LoRA	0.9956	0.9423	0.40	3	886,273	0.97%	0.0005
ECG-FM 预训练	Adapter	0.9930	0.9359	0.40	6	3,102,849	3.30%	0.0005

训练命令生成器

骨干 backbone策略 strategy任务 task随机种子 seed学习率 lr轮数 epochs批大小 batch-size设备 device数据目录 data-dir输出目录 output-dir预训练权重 weights（选填，留空用内置默认）保存最优轮权重 save-model产出 model.pt + meta.json（部署契约 infer.ECGInterpreter 读 meta.json）

python train_fm_adapt.py \
  --data-dir data/ptbxl-28/ \
  --output-dir runs/ecg-fm-lora-af \
  --backbone ecg-fm \
  --strategy lora \
  --task af \
  --epochs 20 \
  --batch-size 32 \
  --lr 0.0005 \
  --device cuda \
  --seed 42 \
  --save-model